Modélisation bayésienne en bioinformatique traite du développement et de l’application de méthodes statistiques bayésiennes pour l’analyse de données bioinformatiques à haut débit découlant de problèmes de biologie moléculaire et structurale et de recherche médicale liée à des maladies telles que le cancer. Il présente un aperçu général des problèmes d’inférence statistique, de regroupement et de classification dans deux principales plateformes à haut débit : l’expression génique des microréseaux et l’analyse phylogénique. Le livre explore les techniques et les modèles bayésiens pour détecter les gènes exprimés de manière différentielle, classer l’expression différentielle des gènes et identifier les biomarqueurs. Il développe de nouvelles approches bayésiennes non paramétriques pour les problèmes bioinformatiques, des modèles d’erreur de mesure et de survie pour les microréseaux d’ADNc, une approche de modélisation de Markov cachée bayésienne pour les données de réseaux CGH, des approches bayésiennes pour l’analyse phylogénique, des a priori de parcimonie pour les prédictions d’interaction protéine-protéine et des réseaux bayésiens pour les données d’expression génique. Le texte décrit également les applications des algorithmes de recherche stochastique orientés mode, du profilage factoriel in vitro à in vivo, de la régression des risques proportionnels à l’aide de machines à noyau bayésien et de la cartographie QTL. Axé sur la conception, l’inférence statistique et l’analyse des données d’un point de vue bayésien, ce volume explore les défis statistiques dans l’analyse et la modélisation des données bioinformatiques et propose des solutions à ces problèmes. Il encourage les lecteurs à s’appuyer sur l’évolution des technologies et à promouvoir le développement statistique dans ce domaine de la bio-informatique. . Langue : Anglais